矩阵热图】】

一、基础热图绘制

import matplotlib.pyplot as plt
import numpy as np

# 模拟数据生成
matching_history = [np.random.randint(0, 2, (5, 3)) for _ in range(4)]  # 5个UE，3个边缘服务器，4次迭代

# 绘制最终匹配矩阵
plt.figure(figsize=(10, 6))
plt.imshow(matching_history[-1], cmap='Blues', interpolation='nearest')
plt.colorbar(label='Connection Strength')
plt.xticks(range(3), [f'Edge {i}' for i in range(3)])  # 自定义X轴标签
plt.yticks(range(5), [f'UE {i}' for i in range(5)])    # 自定义Y轴标签
plt.xlabel('Edge Server')
plt.ylabel('UE')
plt.title('Final UE-Edge Matching Matrix')
plt.grid(False)  # 关闭默认网格线
plt.show()

---

二、训练过程动态可视化

1. 多阶段对比（子图模式）

plt.figure(figsize=(12, 8))
for i in range(4):
    plt.subplot(2, 2, i+1)
    plt.imshow(matching_history[i], cmap='OrRd', vmin=0, vmax=1)  # 固定颜色范围
    plt.title(f'Iteration {i+1}')
    plt.axis('off')  # 隐藏坐标轴
plt.tight_layout()
plt.show()

2. 实时更新（适合Jupyter环境）

from IPython import display

for epoch in range(10):
    # 模拟训练过程生成新矩阵
    new_matrix = np.random.randint(0, 2, (5, 3))
    matching_history.append(new_matrix)
    
    # 实时更新绘图
    plt.clf()
    plt.imshow(new_matrix, cmap='viridis', alpha=0.8)
    plt.title(f'Training Epoch {epoch+1}')
    display.clear_output(wait=True)
    display.display(plt.gcf())

---

三、高级技巧

1. 添加数值标注

matrix = matching_history[-1]
plt.imshow(matrix, cmap='Pastel1')
for i in range(matrix.shape[0]):
    for j in range(matrix.shape[1]):
        plt.text(j, i, f'{matrix[i,j]:.2f}', ha='center', va='center', color='red')
plt.colorbar()

2. 自定义颜色分级

from matplotlib.colors import BoundaryNorm

bounds = [0, 0.3, 0.7, 1]
cmap = plt.get_cmap('PiYG')
norm = BoundaryNorm(bounds, cmap.N)
plt.imshow(matrix, cmap=cmap, norm=norm)
plt.colorbar(ticks=bounds)

3. 保存高清图片

plt.savefig('matching_matrix.png', dpi=300, bbox_inches='tight')

---

四、结合训练逻辑

假设使用强化学习训练匹配策略：

# 伪代码示例
import time

matching_history = []
for episode in range(100):
    # 1. 执行训练逻辑生成匹配矩阵
    current_matrix = your_model.train_step()  
    
    # 2. 记录历史数据
    matching_history.append(current_matrix.copy())
    
    # 3. 每10步可视化一次
    if episode % 10 == 0:
        plt.cla()  # 清除当前轴
        plt.imshow(current_matrix, cmap='coolwarm')
        plt.title(f'Training Progress - Episode {episode}')
        plt.pause(0.1)  # 需要plt.ion()开启交互模式

plt.ioff()  # 关闭交互模式

---

五、学习路径建议

1. 掌握Matplotlib基础

   • 官方教程：Matplotlib Tutorial
   • 重点学习：subplots, imshow, colorbar, 文本标注

2. 理解矩阵数据

   • 学习使用NumPy生成测试数据
   • 了解不同归一化方法对热图的影响

3. 探索高级可视化

   • 交互式可视化：Plotly库
   • 三维矩阵可视化：mplot3d工具包

4. 结合领域知识

   • 根据具体场景调整颜色映射
   • 添加网络拓扑图等辅助信息

---

通过以上方法，你可以逐步实现：

• 实时观察训练动态
• 多维度对比实验结果
• 生成出版级质量的插图
• 直观分析算法性能

关键是多实践不同数据场景，尝试调整各种可视化参数，观察效果变化。